实践

围绕研究、内容、办公、开发与验证的真实 AI 工作流。

Karpathy提出用LLM主动构建持久化Wiki替代传统RAG，实现知识自动积累与维护。本文详解在Obsidian中落地该方法的完整流程。

本文详解 Claude Code 的 Token 计费机制与缓存策略，提供八类优化手段和九条实战技巧，帮助开发者将 Token 消耗降低高达 80%。

本文介绍 Karpathy 提出的 LLM Wiki 方案，对比 RAG 的不足，并手把手教你在 Obsidian 中搭建个人知识库。涵盖素材采集、图片本地化、图谱分析、版本管理及搜索等实战技巧，让 AI 辅助整理维护知识。

Claire Vo 与 LaunchDarkly 工程师 Zach Davis 分享三大 AI 原生工作流：后台代理、PRD 代码化和复合工程，助力团队高效协作。

LinkedIn 编辑 Daniel Roth 分享其利用 Claude Code 双智能体（构建者与审查者）高效开发 iOS 应用的实战工作流。

本期《How I AI》探讨 Figma 团队如何通过 Claude Code 实现设计与代码的双向同步，并分享 LinkedIn 主编如何零代码开发 iOS 应用。

Anthropic 工程师分享内部使用 Claude Code Skills 的实战经验，涵盖九大类别与最佳实践。

Anthropic 工程师分享内部使用 Claude Code Skills 的实战经验，涵盖九类典型应用场景及编写最佳实践。

本文介绍了四种提示技巧，帮助避免AI在用户研究分析中最常见的错误，如虚构证据、泛化洞察、无效信号和矛盾结论，从而获得可靠、可操作的用户洞察。

本文探讨了 AI 在用户研究数据分析中常见的四大失败模式，包括虚构证据、虚假或通用洞察、无效信号及矛盾信息。作者提供了具体的提示词策略和验证方法，帮助产品经理确保 AI 生成的结论真实可靠，避免基于错误数据做出决策。

AI 常给出看似自信实则错误的用户洞察。本文作者分享四种常见的 AI 分析失效模式，包括伪造证据和虚假洞察。通过特定的提示词技巧与严格的验证流程，产品团队可有效提升 AI 辅助研究的可靠性，确保决策基于真实数据而非模型幻觉。

上一页第 4 页，共 4 页